Appearance
AI 协同基础（AI Essentials）
这一章讲的是和 AI 协作的基础能力。不管技术怎么变，底层逻辑是一样的：你表达得越清楚，结果就越靠谱。
思维转变：从搜索到生成
搜索引擎是在“找答案”，而大模型是在“生成答案”。这两件事看起来很像，但本质不同。
- 搜索强调已存在的事实。搜索引擎给你的是别人写过的东西。
- 生成强调合理的可能性。大模型给你的是“听起来最像答案”的内容。
这也解释了为什么它有时会”答非所问”：它在努力生成最像答案的内容，而不是最权威的答案。
怎么办？一个实用的做法：先让它给框架，再让它补细节。
text
你先列出 3 种可能的解释，每一种给出适用场景和潜在风险。你能在框架阶段就判断方向对不对，而不是等它写了一大段才发现走偏了。
输出的随机性
LLM 生成每个词时，是从一个概率分布中采样，而不是每次都选概率最高的那个词。这就是为什么同一个问题问两遍，回答不会完全一样。
这个采样过程可以通过参数来控制：
- temperature：值越低，输出越确定；值越高，输出越随机。
- top_p：只从累积概率最高的那部分词中选择，过滤掉最不可能的词。
这些参数影响的是"怎么选词"，不影响模型理解问题的能力。在聊天界面里你通常看不到它们——它们被隐藏了。但在用 API 构建应用时，可以调整它们来控制输出特性。Agent 框架也会帮你管理这些参数，所以大多数时候你不需要手动设置。
把需求说清楚：Prompting 的四要素
很多人把 Prompt 当作“提问”，其实更像下达任务。
一个清晰的指令，通常包含 4 个要素：
- 目标（Goal）：要完成什么。
- 背景（Context）：有哪些已知条件。
- 约束（Constraint）：不能做什么、必须符合什么。
- 格式（Format）：输出成表格、清单还是代码。
可以用一个简单的模板：
text
目标：帮我写一封请假邮件。
背景：我下周三需要去医院做体检。
约束：语气正式，不超过 100 字。
格式：直接输出邮件正文。别担心一开始写得生硬。关键是可复用：当你发现某个 Prompt 效果好，下次可以直接复用或微调。
Prompting 不是背模板
很多 Prompt 模板看起来很神奇，但它们有用的部分，通常不是某个固定句式，而是把规则说清楚了。
规则越准确、清晰、具体，AI 越不容易发散。比如“帮我写得专业一点”就很含糊；“面向公司内部周报，语气客观，不夸张，不超过 120 字”就更容易执行。
这也是为什么 AGENTS.md、Rules、Skills 本质上仍然离不开 Prompting。它们只是把临时的一句话，变成了可复用的规则。规则写得越抽象，越容易失效；规则写得越贴近具体任务，越容易稳定复现。
多轮迭代：对齐的过程
你有没有发现，和 AI 对话往往不是一轮就结束的？
第一轮：它给的结果可能方向对，但细节不对。第二轮：你指出哪里不对，它调整。第三轮：越来越接近你想要的。
这个过程不是“失败”，而是对齐（Alignment）。你和 AI 在通过多轮对话，逐步把双方的理解拉到同一条线上。
想想你和人协作也是这样：第一版草稿很少就是最终版。每一轮都在缩小差距。
你可以按这个节奏来：
- 第一轮：给简要描述，看大方向对不对。
- 第二轮：基于结果，指出具体要调整的地方。
- 第三轮：补充约束或格式要求，精修细节。
提醒：如果结果不对，不要只说“错了”或“再改改”。要指出哪里不符合你的预期：是方向偏了？细节不对？还是格式不符合要求？越具体，AI 越容易调整。
场景实战：写作、分析、决策辅助
AI 最常见的三类用法：
写作
先给框架，再润色语言。
text
帮我写一段产品介绍：目标用户是大学生，产品是一个记账 App，风格轻松活泼，不超过 150 字。分析
先列变量，再比较方案。
text
我在考虑 A 和 B 两个方案。请按“成本、风险、时间、可控性”四个维度对比，用表格呈现，并给出一句话建议。决策辅助
先列利弊，再给风险提示。
text
我要决定是否跳槽到一家创业公司。请列出 3 个可能的好处和 3 个潜在风险，并给出一个决策框架。AI 不一定给你最终答案，但能帮你把问题结构化。让 AI 帮你搭架子，你负责最后拍板。
常见陷阱
在学习 Prompting 的过程中，有几个常见的错误值得提前了解。
Context Bloat（上下文膨胀）
有些人觉得“给 AI 的信息越多越好”。于是把整篇文章、所有背景、全部历史对话都塞进去。
结果呢？AI 反而变得不聚焦，输出质量下降。
原因很简单：过多的上下文会稀释关键信息。AI 的注意力是有限的，无关信息越多，它越容易走偏。
正确做法：只给必要的上下文。如果信息量大，先自己做一轮筛选或摘要，再喂给 AI。
Mega-Prompt（巨型提示词）
另一个极端：试图在一条 Prompt 里塞进所有需求：目标、背景、约束、格式、示例、边界条件……
一条 Prompt 做所有事，结果往往是：AI 要么顾此失彼，要么理解偏差被放大。
正确做法：把多步骤任务拆开。每一步只做一件事，每一步的输出是下一步的输入。这样每一步都可控、可验证。
忽视迭代
有些人期望“一条 Prompt 就能得到完美结果”。如果不行，就换一个工具或换一个模型。
问题常常在于：你没有给 AI 调整的机会。
正确做法：把第一轮的结果当作起点，而不是终点。多轮迭代是常态，不是失败。
小结
- LLM 是在"生成"答案，不是在"查找"答案。输出是概率性的，同一个问题问两遍结果不会完全一样。
- temperature 和 top_p 控制输出的随机性。聊天界面隐藏了这些参数，API 和 Agent 框架可以调整它们。
- Prompting 是一切的基础：精确表达意图，才能得到精确的结果。
- 四要素：目标、背景、约束、格式。结构化表达才能稳定复现。
- Prompting 的重点不是模板，而是准确、清晰、具体的规则。
- 多轮迭代就是对齐过程：每一轮都在缩小理解差距。
- 常见陷阱：Context Bloat（信息过多）、Mega-Prompt（一 prompt 做所有事）、忽视迭代。
- AI 的常见价值：帮你把问题结构化，而不是替你做决定。
练习
- 用“目标/背景/约束/格式”四要素写一个完整的 Prompt，然后用它和 AI 对话，记录需要几轮迭代才能得到满意结果。
- 找一个你之前写过的 Prompt（或者回忆一次和 AI 的对话），分析它是否存在 Context Bloat 或 Mega-Prompt 的问题，然后改写它。
- 把一句抽象指令改成具体规则，比如把“写得好一点”改成可执行的语气、长度、结构要求。
- 用“先框架后细节”的策略，让 AI 帮你分析一个你最近在纠结的小决定。